本文實例講述了Python實現的隨機森林算法。分享給大家供大家參考，具體如下：
隨機森林是數據挖掘中非常常用的分類預測算法，以分類或回歸的決策樹為基分類器。算法的一些基本要點：
*對大小為m的數據集進行樣本量同樣為m的有放回抽樣；
*對K個特征進行隨機抽樣，形成特征的子集，樣本量的確定方法可以有平方根、自然對數等；
*每棵樹完全生成，不進行剪枝；
*每個樣本的預測結果由每棵樹的預測投票生成（回歸的時候，即各棵樹的葉節點的平均）
著名的python機器學習包scikit learn的文檔對此算法有比較詳盡的介紹: http://scikit-learn.org/stable/modules/ensemble.html#random-forests
出于個人研究和測試的目的，基于經典的Kaggle 101泰坦尼克號乘客的數據集，建立模型并進行評估。比賽頁面及相關數據集的下載：https://www.kaggle.com/c/titanic
泰坦尼克號的沉沒，是歷史上非常著名的海難。突然感到，自己面對的不再是冷冰冰的數據，而是用數據挖掘的方法，去研究具體的歷史問題，也是饒有興趣。言歸正傳，模型的主要的目標，是希望根據每個乘客的一系列特征，如性別、年齡、艙位、上船地點等，對其是否能生還進行預測，是非常典型的二分類預測問題。數據集的字段名及實例如下：
| PassengerId | Survived | Pclass | Name | Sex | Age | SibSp | Parch | Ticket | Fare | Cabin | Embarked |
| 1 | 0 | 3 | Braund, Mr. Owen Harris | male | 22 | 1 | 0 | A/5 21171 | 7.25 | S | |
| 2 | 1 | 1 | Cumings, Mrs. John Bradley (Florence Briggs Thayer) | female | 38 | 1 | 0 | PC 17599 | 71.2833 | C85 | C |
| 3 | 1 | 3 | Heikkinen, Miss. Laina | female | 26 | 0 | 0 | STON/O2. 3101282 | 7.925 | S | |
| 4 | 1 | 1 | Futrelle, Mrs. Jacques Heath (Lily May Peel) | female | 35 | 1 | 0 | 113803 | 53.1 | C123 | S |
| 5 | 0 | 3 | Allen, Mr. William Henry | male | 35 | 0 | 0 | 373450 | 8.05 | S |
值得說明的是，SibSp是指sister brother spouse，即某個乘客隨行的兄弟姐妹、丈夫、妻子的人數，Parch指parents,children
下面給出整個數據處理及建模過程，基于ubuntu+python 3.4（ anaconda科學計算環境已經集成一系列常用包，pandas numpy sklearn等，這里強烈推薦）
懶得切換輸入法，寫的時候主要的注釋都是英文，中文的注釋是后來補充的:-)
# -*- coding: utf-8 -*-"""@author: kim"""from model import *＃載入基分類器的代碼#ETL:same procedure to training set and test settraining=pd.read_csv('train.csv',index_col=0)test=pd.read_csv('test.csv',index_col=0)SexCode=pd.DataFrame([1,0],index=['female','male'],columns=['Sexcode']) ＃將性別轉化為０１training=training.join(SexCode,how='left',on=training.Sex)training=training.drop(['Name','Ticket','Embarked','Cabin','Sex'],axis=1)＃刪去幾個不參與建模的變量，包括姓名、船票號，船艙號test=test.join(SexCode,how='left',on=test.Sex)test=test.drop(['Name','Ticket','Embarked','Cabin','Sex'],axis=1)print('ETL IS DONE!')#MODEL FITTING#===============PARAMETER AJUSTMENT============min_leaf=1min_dec_gini=0.0001n_trees=5n_fea=int(math.sqrt(len(training.columns)-1))#=============================================='''''BEST SCORE:0.83min_leaf=30min_dec_gini=0.001n_trees=20'''#ESSEMBLE BY RANDOM FORESTFOREST={}tmp=list(training.columns)tmp.pop(tmp.index('Survived'))feaList=pd.Series(tmp)for t in range(n_trees):# fea=[] feasample=feaList.sample(n=n_fea,replace=False)#select feature fea=feasample.tolist() fea.append('Survived')# feaNew=fea.append(target) subset=training.sample(n=len(training),replace=True)#generate the dataset with replacement subset=subset[fea]# print(str(t)+' Classifier built on feature:')# print(list(fea)) FOREST[t]=tree_grow(subset,'Survived',min_leaf,min_dec_gini) #save the tree#MODEL PREDICTION#======================currentdata=trainingoutput='submission_rf_20151116_30_0.001_20'#======================prediction={}for r in currentdata.index:#a row prediction_vote={1:0,0:0} row=currentdata.get(currentdata.index==r) for n in range(n_trees): tree_dict=FOREST[n] #a tree p=model_prediction(tree_dict,row) prediction_vote[p]+=1 vote=pd.Series(prediction_vote) prediction[r]=list(vote.order(ascending=False).index)[0]#the vote resultresult=pd.Series(prediction,name='Survived_p')#del prediction_vote#del prediction#result.to_csv(output)t=training.join(result,how='left')accuracy=round(len(t[t['Survived']==t['Survived_p']])/len(t),5)print(accuracy)上述是隨機森林的代碼，如上所述，隨機森林是一系列決策樹的組合，決策樹每次分裂，用Gini系數衡量當前節點的“不純凈度”，如果按照某個特征的某個分裂點對數據集劃分后，能夠讓數據集的Gini下降最多（顯著地減少了數據集輸出變量的不純度），則選為當前最佳的分割特征及分割點。代碼如下：
# -*- coding: utf-8 -*-"""@author: kim"""import pandas as pdimport numpy as np#import sklearn as skimport mathdef tree_grow(dataframe,target,min_leaf,min_dec_gini): tree={} #renew a tree is_not_leaf=(len(dataframe)>min_leaf) if is_not_leaf: fea,sp,gd=best_split_col(dataframe,target) if gd>min_dec_gini: tree['fea']=fea tree['val']=sp# dataframe.drop(fea,axis=1) #1116 modified l,r=dataSplit(dataframe,fea,sp) l.drop(fea,axis=1) r.drop(fea,axis=1) tree['left']=tree_grow(l,target,min_leaf,min_dec_gini) tree['right']=tree_grow(r,target,min_leaf,min_dec_gini) else:#return a leaf return leaf(dataframe[target]) else: return leaf(dataframe[target]) return treedef leaf(class_lable): tmp={} for i in class_lable: if i in tmp: tmp[i]+=1 else: tmp[i]=1 s=pd.Series(tmp) s.sort(ascending=False) return s.index[0]def gini_cal(class_lable): p_1=sum(class_lable)/len(class_lable) p_0=1-p_1 gini=1-(pow(p_0,2)+pow(p_1,2)) return ginidef dataSplit(dataframe,split_fea,split_val): left_node=dataframe[dataframe[split_fea]<=split_val] right_node=dataframe[dataframe[split_fea]>split_val] return left_node,right_nodedef best_split_col(dataframe,target_name): best_fea=''#modified 1116 best_split_point=0 col_list=list(dataframe.columns) col_list.remove(target_name) gini_0=gini_cal(dataframe[target_name]) n=len(dataframe) gini_dec=-99999999 for col in col_list: node=dataframe[[col,target_name]] unique=node.groupby(col).count().index for split_point in unique: #unique value left_node,right_node=dataSplit(node,col,split_point) if len(left_node)>0 and len(right_node)>0: gini_col=gini_cal(left_node[target_name])*(len(left_node)/n)+gini_cal(right_node[target_name])*(len(right_node)/n) if (gini_0-gini_col)>gini_dec: gini_dec=gini_0-gini_col#decrease of impurity best_fea=col best_split_point=split_point #print(col,split_point,gini_0-gini_col) return best_fea,best_split_point,gini_decdef model_prediction(model,row): #row is a df fea=model['fea'] val=model['val'] left=model['left'] right=model['right'] if row[fea].tolist()[0]<=val:#get the value branch=left else: branch=right if ('dict' in str( type(branch) )): prediction=model_prediction(branch,row) else: prediction=branch return prediction實際上，上面的代碼還有很大的效率提升的空間，數據集不是很大的情況下，如果選擇一個較大的輸入參數，例如生成100棵樹，就會顯著地變慢；同時，將預測結果提交至kaggle進行評測，發現在測試集上的正確率不是很高，比使用sklearn里面相應的包進行預測的正確率（0.77512）要稍低一點 :-( 如果要提升準確率，兩個大方向： 構造新的特征；調整現有模型的參數。
這里是拋磚引玉，歡迎大家對我的建模思路和算法的實現方法提出修改意見。
希望本文所述對大家Python程序設計有所幫助。
新聞熱點
疑難解答
